CN108868976B - 一种基于apso的双串联scr系统尿素喷射规律云计算方法 - Google Patents

Abstract

本发明公开了一种基于PSO的双串联SCR系统尿素喷射规律云计算方法，属于控制算法领域。具体包括步骤：步骤一、根据双串联SCR系统的内部化学反应，建立双串联SCR系统的控制学模型；步骤二、根据所述双串联SCR系统的控制学模型，在云计算服务器中建立目标函数cost以及约束条件函数constraint；步骤三、在云计算服务器中运用基于NMPC算法的APSO算法，求出使目标函数cost函数值最小，且满足约束条件函数constraint的尿素喷射规律。通过本发明提供的方法，将APSO算法这一新的优化算法运用到NMPC算法中，计算尿素喷射规律，该算法结果优越，计算速度快；同时能够在线快速获取所需满足化学反应的尿素喷射量。

Description

一种基于APSO的双串联SCR系统尿素喷射规律云计算方法

技术领域

本发明属于尾气控制和氧化还原技术领域，具体涉及一种基于云预测控制和改进的粒子群算法(APSO)的双串联SCR系统尿素喷射规律云计算方法。

背景技术

近十年来，随着我国排放法规越来越严格，柴油机尾气排放问题引起了广大民众的关注。由于柴油机SCR(选择性催化还原技术)系统具有较高的将尾气中的氮氧化物(NOx)催化还原的转化效率和燃油经济性，成为尾气后处理系统中最具有前途的一部分，同时也吸引了众多研究者的关注。SCR系统作为尾气后处理系统的一部分被广泛应用于柴油机中，主要功能是通过将尾气中的氮氧化物转化为无污染的气体来减少污染性氮氧化物的排放。

SCR系统实际上是一种选择催化还原技术，当它在正常工作时，从SCR系统入口端喷入尿素，尿素在一定温度条件下蒸发，水解产生出氨气，氨气再在催化剂的作用下与氮氧化物反应产生无污染的氮气和水。在SCR系统中，如果要达到很高的氮氧化物转化效率，就必须喷入大量的尿素。但是喷射的尿素过多会导致尿素生成的过多氨气，未能及时参与反应而被排入到大气之中，而氨气同样属于污染性气体，会对人体产生不好的影响。因此通过控制尿素喷射量来保证尾气中氮氧化物的高转化效率以及氨气的低排放，成为了相关人员的研究热点。然而目前关于尿素喷射量的控制方法所基于的模型大多建立在均质性假设的基础上，这一假设不符合SCR内部实际情况，建立的模型不精确。

发明内容

本发明的目的在于提供一种基于APSO的双串联SCR系统尿素喷射规律云计算方法，使利用双串联SCR系统能够快速实现高氮氧化物转化效率以及低氨气排放量。

为了达到上述目的，本发明提供一种基于APSO的双串联SCR系统尿素喷射规律云计算方法，具体包括步骤：

步骤一、根据双串联SCR系统的内部化学反应，建立双串联SCR系统的控制学模型；

步骤二、根据所述双串联SCR系统的控制学模型，在云计算服务器中建立目标函数cost以及约束条件函数constraint；所述目标函数cost用于控制氮氧化物的转化效率，所述约束条件函数constraint用于限制氨气排放量；

步骤三、将事先测得的柴油机工况以及在双串联SCR系统参与化学反应所需的氮氧化物浓度数据传到云计算服务器，在云计算服务器中运用基于NMPC算法的APSO算法，求出使目标函数cost函数值最小，且满足约束条件函数constraint的尿素喷射规律。

本发明的优点在于：

(1)本发明将APSO算法这一新的优化算法运用到NMPC算法中，计算尿素喷射规律，该算法结果优越，计算速度快；

(2)本发明将复杂耗时的尿素喷射规律计算过程转移到计算资源多，计算能力强的云计算服务器中，能够在线快速获取满足化学反应的尿素喷射量。

附图说明

图1为本发明的双串联SCR系统的控制学模型示意图；

图2为本发明建立目标函数cost方法流程图；

图3为本发明建立约束条件函数constraint方法流程图；

图4为APSO算法流程图；

图5为NMPC算法流程图。

具体实施方式

下面将结合附图和具体实施方式对本发明作进一步的详细说明。

本发明提出的一种基于云预测控制和改进粒子群算法(APSO)的双串联SCR系统尿素喷射规律云计算方法，利用本发明提供的方法，通过控制尿素喷射量来实现尾气中氮氧化物的高转化效率以及氨气(NH₃)的低排放，所述方法具体为：

步骤一、在尾气后处理系统中建立双串联SCR系统，根据双串联SCR系统的内部化学反应建立双串联SCR系统的控制学模型；

如图1所示为本发明的双串联SCR系统控制学模型示意图，所述尾气后处理系统包括柴油机后置尾气处理器和双串联SCR系统，所述双串联SCR系统包括相互串联的SCR₁系统与SCR₂系统，每一个SCR系统分别包括一个内表面附有催化剂的反应罐。柴油机排放的具有高氮氧化物浓度的第一浓度尾气经位于双串联SCR系统之前的柴油机后置尾气处理器进行初步处理，排出第二浓度尾气，所述第二浓度尾气中含有的氮氧化物浓度低于所述第一浓度尾气中含有的氮氧化物浓度，所述氮氧化物主要包括NO和NO₂；所述第二浓度尾气与喷射的尿素共同进入所述SCR₁系统，在SCR₁系统的反应罐经化学反应后排出第三浓度尾气，所述第三浓度尾气中含有的氮氧化物浓度低于所述第二浓度尾气中含有的氮氧化物浓度，由于喷射的尿素进入SCR₁系统内部参与化学反应，因此所述第三浓度尾气中新增由尿素水解生成的未及时参与化学反应的NH₃，所述第三浓度尾气进入与SCR₁系统串联的SCR₂系统内部继续参与化学反应，生成待排放气体，所述第三浓度尾气中的氮氧化物与NH₃在SCR₂系统的反应罐经化学反应后，氮氧化物含量与NH₃含量进一步减少，因此所述待排放气体可以直接进行排放。基于上述SCR₁系统以及SCR₂系统的内部化学反应，所建立的控制学模型如下：

其中，

代表x在第j个反应罐内的物质的量浓度的变化率，单位为(mol/m³)/s；x代表NO、NO₂或NH₃；j＝1,2,代表反应罐的序号，分别对应SCR₁系统和SCR₂系统内的体积相同的反应罐；r_i,j满足阿仑尼乌斯化学反应模型，

i＝1，2，3，4F，4B，5；j＝1，2，i代表某种具体化学反应；代表第j个反应罐内的第i种化学反应的化学反应速率；K_i,j和E_i,j分别代表阿仑尼乌斯化学反应模型的指前因子以及活化能，单位为J/mol；R代表理想气体常数，单位为J/(mol*K)；T代表热力学温度，单位为K；C_y,j代表y在第j个反应罐内的物质的量浓度，单位为mol/m³；y代表NO，O₂，NO₂或NH₃；

j＝1，2代表第j个反应罐内催化剂上的NH₃覆盖率，为：

j＝1,2；

表示第j个反应罐内吸附在催化剂上NH₃的摩尔量，单位为mol；Θ_j表示第j个反应罐内催化剂总的NH₃覆盖率能力，也叫做催化剂表面NH₃存储量，单位为mol，与温度的关系为：

S_2j-1，S_2j分别为与j相关的常数；

j＝1，2代表第j个反应罐内催化剂上的NH₃覆盖率随时间的变化率；V代表双串联SCR系统中的每一个反应罐的体积，单位为m³，所述SCR₁系统和SCR₂系统中的反应罐体积相等；

j＝1，2,k＝1,2，代表催化剂对NH₃的吸收率，P_2k-1,j，P_2k,j为分别与j相关的常数，j＝1,2；F代表排气的体积流动速率(m³/s)，

为从SCR₁入口输入的尿素的喷射量，C_NO,in

分别代表进入SCR₁的反应罐的NO浓度以及NO₂浓度。需要注意的是，上述所有常数均为已知。

具体实施过程为，在云计算服务器中的仿真软件例如MATLAB/simulink中，根据所述控制学模型建立模型文件，在所述模型文件中设置SCR₁和SCR₂两个子系统构成的双串联SCR系统，所述双串联SCR系统中靠近柴油机的为SCR₁系统，远离柴油机的为SCR₂系统。SCR₁系统的输入为经过柴油机后置尾气处理器处理过的第二浓度尾气，所述第二浓度尾气中含有大量的NO和NO₂，其气体浓度分别为C_NO,in，

所述C_NO,in和

的值由柴油机运行工况决定，尿素的喷射量即

SCR₁系统的输出为第三浓度尾气，所述第三浓度尾气中含有NO、NO₂以及NH₃，所述第三浓度尾气中含有的NO和NO₂的浓度分别低于所述第二浓度尾气中含有的NO和NO₂的浓度，由于SCR₂系统的入口与SCR₁系统的出口完全连通，SCR₂系统的输入即为SCR₁系统的输出；SCR₂系统的输出为待排放气体，所述待排放气体中的NO浓度，NO₂浓度以及NH₃浓度也就是排放到大气中的气体浓度。

步骤二、根据所述双串联SCR系统的控制学模型，在云计算服务器中建立目标函数cost以及约束条件函数constraint，所述目标函数cost用于控制氮氧化物的转化效率，所述约束条件函数constraint用于限制氨气排放量小于设定阈值；

为了保证按照提出的尿素喷射规律控制算法求得的尿素喷射量能够获得最大的氮氧化物转化效率以及较小的NH₃排放量，需要建立优化控制算法的目标函数cost以及约束条件函数constraint；目标函数用于控制氮氧化物的转化效率，约束条件函数用于限制NH₃排放量小于设定阈值。目标函数及约束条件函数的建立过程如下：

如图2所示为建立所述目标函数cost方法流程图，将尿素喷射量代入所述双串联SCR系统的控制学模型，计算SCR₂系统所排出待排放气体中NO浓度和NO₂浓度的和值，将所求得的和值对时间做积分运算得到积分值，令得到的积分值为后续优化控制算法的目标函数cost函数值。具体实施方式为在MATLAB中建立名为cost的m函数程序文件，函数输入为运行时间[t_k，t_k+t_p]内的尿素喷射量，其中t_k为本次优化的起始时间，t_p代表算法的预测域；在名为cost的m函数程序文件中，调用sim语句运行步骤一所建立的双串联SCR系统的控制学模型，将所述运行时间[t_k，t_k+t_p]内的尿素喷射规律(不同时刻的尿素喷射量)代入所述控制学模型作为控制学模型的输入，所述控制学模型的运行时间为[t_k，t_k+t_p]，输出为控制学模型运行时间内不同时刻SCR₂系统排放的待排放气体中NO浓度与NO₂的浓度，计算NO浓度C_NO和NO₂浓度

的和值，并将和值代入公式(2)对运行时间做积分运算，积分运算后的积分值即为目标函数cost函数值。

如图3所示为建立所述约束条件函数constraint方法流程图，将尿素喷射量代入所述双串联SCR系统的控制学模型，计算SCR₂系统所排出待排放气体中的NH₃浓度与已知的NH₃浓度设定阈值的差值，所述差值即为约束条件函数constraint函数值。具体实施过程如下，在MATLAB中建立名为constraint的m函数程序文件，函数输入为运行时间[t_k，t_k+t_p]内的尿素喷射量，在名为constraint的m函数程序文件中，调用sim语句运行步骤一所建立的双串联SCR系统的控制学模型，将运行时间[t_k，t_k+t_p]内的尿素喷射规律(不同时刻的尿素喷射量)代入控制学模型作为控制学模型的输入，所述控制学模型的运行时间为[t_k，t_k+t_p]，输出为控制学模型运行时间内不同时刻SCR₂系统排放的NH₃浓度，利用公式(3)计算SCR₂系统所排放出待排放气体中的NH₃浓度

与已知的NH₃浓度设定阈值

的差值，所述差值即为约束条件函数constraint函数值。

步骤三、将事先测得的柴油机工况以及在双串联SCR系统参与化学反应所需的氮氧化物浓度数据传输到云计算服务器，在云计算服务器中运行基于NMPC(nonlinear modelpredictive control)控制算法的APSO(accelerated particle swarm optimization)优化算法，得到能够使得步骤二中的目标函数cost最小且满足约束条件函数constraint小于0的尿素喷射规律。优化之前，首先在云计算服务器中按照所述目标函数和所述约束条件函数的建立方法，建立名为test的simulink模型，所述simulink模型输入为尿素喷射量，输出为双串联SCR系统的所有状态量，所述的状态量包括一氧化氮、二氧化氮和氨气的浓度。

其中APSO算法流程图如图4所示，将一个预测域内的多个尿素喷射规律分别作为对应的多个粒子，多个粒子组成的粒子群大小N为一个预测域内的多个尿素喷射规律，所有粒子适应值为目标函数值，具体步骤如下：

(1)、设定APSO算法的粒子群大小N和粒子位置维度d，所述粒子位置维度d即为所优化问题的优化变量数目，给出目标函数和约束条件函数；

(2)、初始化粒子群中所有粒子的位置，所述初始化后的所有粒子的位置要求服从随机分布，粒子位置即为需要优化的目标函数的变量值，即尿素喷射规律；

(3)、分别计算初始化后所有粒子适应值，所有粒子适应值即为目标函数值；

(4)、比较所有粒子的适应值令粒子群最优粒子位置

为适应值最小的粒子位置；每个粒子分别比较各迭代步的位置，令各粒子最优位置

等于该粒子各迭代步中适应值最小的位置；

(5)、按照公式(4)分别更新所有粒子的位置，得到更新后的各粒子新位置；

(6)、分别判断更新后的各粒子新位置是否满足约束条件，所述约束条件为约束条件函数constraint的函数值小于0；若满足约束条件，则各粒子采用步骤(5)更新后的各粒子新位置，若不满足约束条件，则各粒子采用更新前的各粒子位置；

(7)、根据经过步骤(6)更新后各粒子位置，再次计算更新后各粒子的适应值；

(8)、比较所有粒子的适应值令粒子群最优粒子位置

为适应值最小的粒子位置；每个粒子分别比较各迭代步的位置，令各粒子最优位置

等于该粒子各迭代步中适应值最小的位置；

(9)、判断是否满足终止条件，所述终止条件为最大迭代次数限制或最优粒子适应值满足要求，若是，则结束APSO算法；若否，则按照公式(4)继续更新各粒子位置，返回步骤(5)；

所述公式(4)为：

其中，

代表第l个粒子在t+1次迭代时的位置，l≤l≤N；

表示第t次迭代时的各粒子最优位置，

表示第t次迭代时粒子群最优粒子，

t为迭代次数，t_max为最大迭代次数，α_max为α(t)在t次迭代过程中的最大值，一般取0.5～2，α_min为α(t)在t次迭代过程中的最小值，一般取0.2～0.6，β_max为β(t)在t次迭代过程中的最大值，一般取0.5～0.9，β_min为β(t)在t次迭代过程中的最小值，一般取0.1～0.3；定义矩阵

的行向量为

矩阵G^t为N*d的矩阵，每经过一次迭代后更新，矩阵G^t的第v列服从均值为0，标准差为

的正态分布，v＝1,2,…,d，

为粒子最优位置矩阵

的第v列的标准差，上标“＇”代表矩阵的转置。

其中NMPC算法流程图如图5所示，具体步骤如下：

(1)设置NMPC算法的预测域t_p，采样周期t_s；

(2)设置名为test的simulink模型中各状态的初始值；

(3)设定名为test的simulink模型中仿真运行开始时间t_k，k代表采样次数，结束时间t_k+t_p；

(4)设置目标函数、约束条件函数和待求变量，运行APSO算法，其中，将名为cost的m函数程序文件作为APSO的目标函数，将名为constraint的m函数程序文件作为APSO的约束条件函数，将t_k到t_k+t_p中的各采样时刻的尿素喷射量作为待求变量，运行APSO算法；

(5)得到经APSO算法运行后的各采样时刻尿素喷射量

其中

为第k次采样时刻的实际尿素喷射量；

(6)判断是否到达尿素喷射结束时间，若否，将

输入名为test的simulink模型中，所述名为test的simulink模型运行时间为[t_k,t_k+t_s]；令k＝k+1；名为test的simulink模型运行后得到双串联SCR系统仿真结束时各状态量,将各状态量作为k+1次优化的初始值，返回步骤(3)；若是，执行步骤(7)；

(7)将所得到的各个采样时刻的实际尿素喷射量保存，得到尿素喷射规律。

利用本发明所提供的方法，将APSO算法这一新的优化算法运用到NMPC算法中，计算尿素喷射规律，该算法所得结果优越，计算速度快；同时将复杂耗时的尿素喷射规律计算过程转移到计算资源多，计算能力强的云计算服务器中，能够在线快速获取所需满足化学反应的尿素喷射量，实现排放尾气的高氮氧化物转化效率以及低氨气排放量的尿素喷射规律。

Claims (3)

1.一种基于APSO的双串联SCR系统尿素喷射规律云计算方法，所述PSO为云预测控制和粒子群算法，所述SCR为选择性催化还原技术，其特征在于，所述方法包括步骤：

步骤一、建立双串联SCR系统的控制学模型；

所述控制学模型为：

其中，所述的双串联SCR系统包括SCR₁系统和SCR₂系统，分别具有一个体积相同的反应罐；

代表x在第j个反应罐内的物质的量浓度的变化率；x代表NO、NO₂和NH₃；j＝1,2,代表反应罐的序号；

i代表某种具体化学反应；r_i,j代表第j个反应罐内的i种化学反应的化学反应速率；K_i,j和E_i,j分别代表阿仑尼乌斯化学反应模型的指前因子以及活化能；R代表理想气体常数；T代表热力学温度；C_y,j代表y在第j个反应罐内的物质的量浓度；y代表NO、O₂、NO₂和NH₃；

代表第j个反应罐内催化剂上的NH₃覆盖率，为：

表示第j个反应罐内吸附在催化剂上NH₃的摩尔量；Θ_j表示催化剂总的NH₃覆盖率能力，也叫做催化剂表面NH₃存储量，与温度的关系为：

S_2j-1，S_2j分别为与j相关的常数；

代表第j个反应罐内催化剂上的NH₃覆盖率随时间的变化率；V代表双串联SCR系统中的每一个反应罐的体积；

代表催化剂对NH₃的吸收率，P_2k-1,j，P_2k,j分别为与j相关的常数；F代表排气的体积流动速率，

为从SCR₁入口输入的尿素的喷射量，C_NO,in

分别代表进入SCR₁的反应罐的NO浓度以及NO₂浓度；

步骤二、根据所述双串联SCR系统的控制学模型，在云计算服务器中建立目标函数cost以及约束条件函数constraint；所述目标函数cost用于控制氮氧化物的转化效率，所述约束条件函数constraint用于限制氨气排放量；

步骤三、在云计算服务器中运用基于NMPC算法的APSO算法，求出使目标函数cost函数值最小，且满足约束条件函数constraint的尿素喷射规律。

2.如权利要求1所述的基于APSO的双串联SCR系统尿素喷射规律云计算方法，其特征在于，所述目标函数及约束条件函数的建立过程如下：

将尿素喷射量代入所述双串联SCR系统的控制学模型，计算SCR₂系统所排出待排放气体中NO浓度和NO₂浓度的和值，将所求得的和值对时间做积分运算得到积分值，令得到的积分值为后续优化控制算法的目标函数cost函数值；

将尿素喷射量代入所述双串联SCR系统的控制学模型，计算SCR₂系统所排出待排放气体中的NH₃浓度与已知的NH₃浓度设定阈值的差值，所述差值即为约束条件函数constraint函数值。

3.如权利要求1所述的基于APSO的双串联SCR系统尿素喷射规律云计算方法，其特征在于，将一个预测域内的多个尿素喷射规律分别作为对应的多个粒子，多个粒子组成的粒子群大小N为一个预测域内的多个尿素喷射规律，所有粒子适应值为目标函数值，所述APSO算法流程具体步骤如下：

(1)、设定APSO算法的粒子群大小N和粒子位置维度d，所述粒子位置维度d即为所优化问题的优化变量数目，给出目标函数和约束条件函数；

(2)、初始化粒子群中所有粒子的位置，所述初始化后的所有粒子的位置要求服从随机分布，粒子位置即为需要优化的目标函数的变量值，即尿素喷射规律；

(3)、分别计算初始化后所有粒子适应值，所有粒子适应值即为目标函数值；

(4)、比较所有粒子的适应值令粒子群最优粒子位置

为适应值最小的粒子位置；每个粒子分别比较各迭代步的位置，令各粒子最优位置

等于该粒子各迭代步中适应值最小的位置；

(5)、按照公式

分别更新所有粒子的位置，得到更新后的各粒子新位置；其中，

代表第l个粒子在t+1次迭代时的位置，l≤l≤N；

表示第t次迭代时的各粒子最优位置，

表示第t次迭代时粒子群最优粒子，

t为本次迭代次数，t_max为最大迭代次数，α_max为α(t)在迭代过程中的最大值，α_min为α(t)迭代过程中的最小值，β_max为β(t)迭代过程中的最大值，β_min为β(t)迭代过程中的最小值；定义矩阵

的行向量为

矩阵G^t为N*d的矩阵，每经过一次迭代后更新，矩阵G^t的第v列服从均值为0，标准差为

的正态分布，

为粒子最优位置矩阵Q^t的第v列的标准差，v＝1,2,…,d，

(6)、分别判断更新后的各粒子新位置是否满足约束条件，所述约束条件为约束条件函数constraint的函数值小于0；若满足约束条件，则各粒子采用步骤(5)更新后的各粒子新位置，若不满足约束条件，则各粒子采用更新前的各粒子位置；

(7)、根据经过步骤(6)后采用的各粒子更新位置，再次计算更新位置后各粒子的适应值；

(8)、比较所有粒子的适应值令粒子群最优粒子位置

为适应值最小的粒子位置；每个粒子分别比较各迭代步的位置，令各粒子最优位置

等于该粒子各迭代步中适应值最小的位置；

(9)、判断是否满足终止条件，所述终止条件为最大迭代次数限制或最优粒子适应值满足要求，若是，则结束APSO算法；若否，则按照公式

继续更新各粒子位置，返回步骤(5)；

所述NMPC算法流程具体步骤如下：

(1)设置NMPC算法的预测域t_p，采样周期t_s；

(2)设置名为test的simulink模型中各状态的初始值；

(3)设定名为test的simulink模型中仿真运行开始时间t_k，k代表本次采样次数，结束时间t_k+t_p；

(4)设置目标函数、约束条件函数和待求变量，运行APSO算法，其中，将名为cost的m函数程序文件作为APSO的目标函数，将名为constraint的m函数程序文件作为APSO的约束条件函数，将t_k到t_k+t_p中的各采样时刻的尿素喷射量作为待求变量，运行APSO算法；

(5)得到经APSO算法运行后的各采样时刻尿素喷射量

其中

为第k次采样时刻的实际尿素喷射量；

(6)判断是否到达尿素喷射终止时间，若是，执行步骤(7)；若否，将

输入名为test的simulink模型中，所述名为test的simulink模型运行时间为[t_k,t_k+t_s]；令k＝k+1；名为test的simulink模型运行后得到双串联SCR系统仿真结束时各状态量,将各状态量作为k+1次优化的初始值，返回步骤(3)；

(7)将所得到的各个采样时刻的实际尿素喷射量保存，得到尿素喷射规律。

Images